摘要 | 第5-7页 |
Abstract | 第7-9页 |
目录 | 第10-13页 |
图表清单 | 第13-15页 |
主要符号表 | 第15-16页 |
第一章 绪论 | 第16-34页 |
1.1 研究背景与意义 | 第16-17页 |
1.2 行人检测关键技术与研究现状 | 第17-29页 |
1.2.1 ROIs 提取 | 第18-21页 |
1.2.2 行人识别 | 第21-29页 |
1.3 研究内容和创新点 | 第29-31页 |
1.4 本文结构 | 第31-34页 |
第二章 行人检测理论基础 | 第34-46页 |
2.1 基于统计学习的行人识别 | 第34-40页 |
2.1.1 特征提取 | 第34-37页 |
2.1.2 分类算法 | 第37-40页 |
2.2 数据集与性能评估标准 | 第40-44页 |
2.2.1 远红外行人检测数据集 | 第40-43页 |
2.2.2 性能评估标准 | 第43-44页 |
2.3 本章小结 | 第44-46页 |
第三章 基于概率模板匹配的行人检测方法 | 第46-56页 |
3.1 引言 | 第46页 |
3.2 基于图像分割的 ROIS 提取 | 第46-49页 |
3.3 基于概率模板匹配的行人识别 | 第49-52页 |
3.3.1 行人概率模板 | 第49-51页 |
3.3.2 目标跟踪/多帧校验 | 第51-52页 |
3.4 实验与结果分析 | 第52-55页 |
3.4.1 行人概率模板匹配性能对比 | 第52-53页 |
3.4.2 行人检测实验与结果分析 | 第53-55页 |
3.5 本章小结 | 第55-56页 |
第四章 基于快速分类和头部校验的行人检测方法 | 第56-70页 |
4.1 引言 | 第56-57页 |
4.2 快速分类和头部校验模型 | 第57-62页 |
4.2.1 熵加权方向梯度直方图 | 第57-60页 |
4.2.2 基于快速分类的行人识别 | 第60-62页 |
4.2.3 头部校验 | 第62页 |
4.3 实验与结果分析 | 第62-68页 |
4.3.1 实验设置 | 第62-63页 |
4.3.2 不同描述特征和分类器结构的行人检测性能比较 | 第63-65页 |
4.3.3 不同分类算法的行人检测性能比较 | 第65-66页 |
4.3.4 行人检测系统的性能评估 | 第66-67页 |
4.3.5 讨论 | 第67-68页 |
4.4 本章小结 | 第68-70页 |
第五章 基于局部区域搜索和统计学习的行人检测方法 | 第70-88页 |
5.1 引言 | 第70-71页 |
5.2 基于局部区域搜索的 ROIS 提取 | 第71-74页 |
5.2.1 基于像素梯度的垂直投影 | 第71-74页 |
5.2.2 图像分割与 ROIs 选取 | 第74页 |
5.3 行人识别 | 第74-77页 |
5.3.1 金字塔熵加权方向梯度直方图 | 第75-76页 |
5.3.2 基于 HIKSVM 算法的行人分类器 | 第76页 |
5.3.3 基于 bootstrapping 和提前终止策略的训练机制 | 第76-77页 |
5.3.4 多帧校验 | 第77页 |
5.4 实验与结果分析 | 第77-86页 |
5.4.1 性能评估标准 | 第79-80页 |
5.4.2 预分割性能评估 | 第80-82页 |
5.4.3 行人识别性能比较 | 第82-83页 |
5.4.4 行人检测性能评估 | 第83-86页 |
5.5 本章小结 | 第86-88页 |
第六章 面向变化场景的行人检测方法 | 第88-104页 |
6.1 引言 | 第88页 |
6.2 相关工作 | 第88-90页 |
6.3 基于归纳迁移学习的行人识别 | 第90-94页 |
6.3.1 问题描述 | 第90-91页 |
6.3.2 样本重要性度量模型 | 第91页 |
6.3.3 一种 Boosting-style 的归纳迁移学习算法 | 第91-94页 |
6.4 实验与结果分析 | 第94-103页 |
6.4.1 实验设置 | 第94-96页 |
6.4.2 样本重要性度量模型的参数敏感性分析 | 第96-98页 |
6.4.3 面向变化场景的行人识别性能评估 | 第98-100页 |
6.4.4 面向变化场景的行人检测性能评估 | 第100-103页 |
6.5 本章小结 | 第103-104页 |
结论 | 第104-108页 |
参考文献 | 第108-120页 |
攻读博士学位期间取得的研究成果 | 第120-122页 |
致谢 | 第122-123页 |
答辩委员会对论文的评定意见 | 第123页 |